ਵਿਗਾੜਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ 9 ਪਹੁੰਚ

В ਪਿਛਲੇ ਲੇਖ ਅਸੀਂ ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਬਾਰੇ ਗੱਲ ਕੀਤੀ। ਇੱਕ ਤਰਕਪੂਰਨ ਨਿਰੰਤਰਤਾ ਵਿਸੰਗਤੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਇੱਕ ਲੇਖ ਹੋਵੇਗਾ।

ਐਪਲੀਕੇਸ਼ਨ

ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਵਰਤੋਂ ਅਜਿਹੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ:

1) ਸਾਜ਼-ਸਾਮਾਨ ਦੇ ਟੁੱਟਣ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਇਸ ਤਰ੍ਹਾਂ, 2010 ਵਿੱਚ, ਈਰਾਨੀ ਸੈਂਟਰੀਫਿਊਜਾਂ 'ਤੇ ਸਟਕਸਨੈੱਟ ਵਾਇਰਸ ਦੁਆਰਾ ਹਮਲਾ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿਸ ਨੇ ਉਪਕਰਣਾਂ ਨੂੰ ਗੈਰ-ਅਨੁਕੂਲ ਸੰਚਾਲਨ ਲਈ ਸੈੱਟ ਕੀਤਾ ਸੀ ਅਤੇ ਤੇਜ਼ ਪਹਿਨਣ ਕਾਰਨ ਕੁਝ ਉਪਕਰਣਾਂ ਨੂੰ ਅਸਮਰੱਥ ਕਰ ਦਿੱਤਾ ਸੀ।

ਜੇਕਰ ਸਾਜ਼ੋ-ਸਾਮਾਨ 'ਤੇ ਵਿਗਾੜ ਖੋਜ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਅਸਫਲਤਾ ਦੀ ਸਥਿਤੀ ਤੋਂ ਬਚਿਆ ਜਾ ਸਕਦਾ ਸੀ।

ਸਾਜ਼-ਸਾਮਾਨ ਦੇ ਸੰਚਾਲਨ ਵਿੱਚ ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਨਾ ਸਿਰਫ਼ ਪਰਮਾਣੂ ਉਦਯੋਗ ਵਿੱਚ, ਸਗੋਂ ਧਾਤੂ ਵਿਗਿਆਨ ਅਤੇ ਹਵਾਈ ਜਹਾਜ਼ ਟਰਬਾਈਨਾਂ ਦੇ ਸੰਚਾਲਨ ਵਿੱਚ ਵੀ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਅਤੇ ਹੋਰ ਖੇਤਰਾਂ ਵਿੱਚ ਜਿੱਥੇ ਭਵਿੱਖਬਾਣੀ ਡਾਇਗਨੌਸਟਿਕਸ ਦੀ ਵਰਤੋਂ ਇੱਕ ਅਣਪਛਾਤੀ ਟੁੱਟਣ ਕਾਰਨ ਸੰਭਾਵਿਤ ਨੁਕਸਾਨਾਂ ਨਾਲੋਂ ਸਸਤਾ ਹੈ।

2) ਧੋਖਾਧੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਜੇਕਰ ਅਲਬਾਨੀਆ ਵਿੱਚ ਪੋਡੋਲਸਕ ਵਿੱਚ ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਕਾਰਡ ਤੋਂ ਪੈਸੇ ਕਢਵਾ ਲਏ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਲੈਣ-ਦੇਣ ਦੀ ਹੋਰ ਜਾਂਚ ਕਰਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

3) ਅਸਧਾਰਨ ਖਪਤਕਾਰਾਂ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ

ਜੇਕਰ ਕੁਝ ਗਾਹਕ ਅਸਧਾਰਨ ਵਿਵਹਾਰ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ, ਤਾਂ ਇੱਕ ਸਮੱਸਿਆ ਹੋ ਸਕਦੀ ਹੈ ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਨਹੀਂ ਜਾਣਦੇ ਹੋ।

4) ਅਸਧਾਰਨ ਮੰਗ ਅਤੇ ਲੋਡ ਦੀ ਪਛਾਣ

ਜੇਕਰ ਇੱਕ FMCG ਸਟੋਰ ਵਿੱਚ ਵਿਕਰੀ ਪੂਰਵ ਅਨੁਮਾਨ ਦੇ ਭਰੋਸੇ ਦੇ ਅੰਤਰਾਲ ਤੋਂ ਹੇਠਾਂ ਆ ਗਈ ਹੈ, ਤਾਂ ਇਹ ਕੀ ਹੋ ਰਿਹਾ ਹੈ ਇਸਦਾ ਕਾਰਨ ਲੱਭਣਾ ਮਹੱਤਵਪੂਰਣ ਹੈ।

ਵਿਗਾੜਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਪਹੁੰਚ

1) ਇੱਕ ਕਲਾਸ ਵਨ-ਕਲਾਸ SVM ਨਾਲ ਵੈਕਟਰ ਮਸ਼ੀਨ ਦਾ ਸਮਰਥਨ ਕਰੋ

ਉਦੋਂ ਢੁਕਵਾਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਡੇਟਾ ਇੱਕ ਆਮ ਵੰਡ ਦਾ ਅਨੁਸਰਣ ਕਰਦਾ ਹੈ, ਪਰ ਟੈਸਟ ਸੈੱਟ ਵਿੱਚ ਵਿਗਾੜ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ।

ਇੱਕ-ਸ਼੍ਰੇਣੀ ਦੀ ਸਹਾਇਤਾ ਵੈਕਟਰ ਮਸ਼ੀਨ ਮੂਲ ਦੇ ਆਲੇ ਦੁਆਲੇ ਇੱਕ ਗੈਰ-ਰੇਖਿਕ ਸਤਹ ਬਣਾਉਂਦੀ ਹੈ। ਇੱਕ ਕੱਟਆਫ ਸੀਮਾ ਨਿਰਧਾਰਤ ਕਰਨਾ ਸੰਭਵ ਹੈ ਜਿਸ ਲਈ ਡੇਟਾ ਨੂੰ ਅਸਧਾਰਨ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।

ਸਾਡੀ DATA4 ਟੀਮ ਦੇ ਤਜ਼ਰਬੇ ਦੇ ਆਧਾਰ 'ਤੇ, ਵਨ-ਕਲਾਸ SVM ਸਭ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਵਿਗਾੜਾਂ ਨੂੰ ਲੱਭਣ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

2) ਜੰਗਲ ਦਾ ਵੱਖਰਾ ਤਰੀਕਾ

ਰੁੱਖਾਂ ਨੂੰ ਬਣਾਉਣ ਦੀ "ਬੇਤਰਤੀਬ" ਵਿਧੀ ਨਾਲ, ਨਿਕਾਸ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ 'ਤੇ ਪੱਤਿਆਂ ਵਿੱਚ ਦਾਖਲ ਹੋਵੇਗਾ (ਰੁੱਖ ਦੀ ਘੱਟ ਡੂੰਘਾਈ 'ਤੇ), ਯਾਨੀ. ਨਿਕਾਸ ਨੂੰ “ਅਲੱਗ-ਥਲੱਗ ਕਰਨਾ” ਆਸਾਨ ਹੈ। ਅਲਗੋਰਿਦਮ ਦੇ ਪਹਿਲੇ ਦੁਹਰਾਓ ਵਿੱਚ ਅਸਧਾਰਨ ਮੁੱਲਾਂ ਦਾ ਅਲੱਗ-ਥਲੱਗ ਹੁੰਦਾ ਹੈ।

3) ਅੰਡਾਕਾਰ ਲਿਫਾਫੇ ਅਤੇ ਅੰਕੜਾ ਵਿਧੀਆਂ

ਜਦੋਂ ਡਾਟਾ ਆਮ ਤੌਰ 'ਤੇ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਮਾਪ ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਦੇ ਮਿਸ਼ਰਣ ਦੀ ਪੂਛ ਦੇ ਜਿੰਨਾ ਨੇੜੇ ਹੈ, ਮੁੱਲ ਓਨਾ ਹੀ ਅਸੰਗਤ ਹੋਵੇਗਾ।

ਹੋਰ ਅੰਕੜਾ ਵਿਧੀਆਂ ਨੂੰ ਵੀ ਇਸ ਕਲਾਸ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

dyakonov.org ਤੋਂ ਚਿੱਤਰ

4) ਮੀਟ੍ਰਿਕ ਢੰਗ

ਤਰੀਕਿਆਂ ਵਿੱਚ ਐਲਗੋਰਿਦਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਕੇ-ਨੇੜਲੇ ਗੁਆਂਢੀ, ਕੇ-ਨੇੜਲੇ ਨੇੜਲੀ, ਏਬੀਓਡੀ (ਐਂਗਲ-ਅਧਾਰਿਤ ਆਊਟਲੀਅਰ ਖੋਜ) ਜਾਂ ਐਲਓਐਫ (ਸਥਾਨਕ ਆਊਟਲੀਅਰ ਫੈਕਟਰ)।

ਉਚਿਤ ਹੈ ਜੇਕਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਿੱਚ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਬਰਾਬਰ ਜਾਂ ਸਧਾਰਣ ਹੈ (ਤਾਂ ਕਿ ਤੋਤੇ ਵਿੱਚ ਬੋਆ ਕੰਸਟ੍ਰਕਟਰ ਨੂੰ ਨਾ ਮਾਪਿਆ ਜਾ ਸਕੇ)।

k-ਨੇੜਲੇ ਗੁਆਂਢੀ ਐਲਗੋਰਿਦਮ ਇਹ ਮੰਨਦਾ ਹੈ ਕਿ ਆਮ ਮੁੱਲ ਬਹੁ-ਆਯਾਮੀ ਸਪੇਸ ਦੇ ਇੱਕ ਖਾਸ ਖੇਤਰ ਵਿੱਚ ਸਥਿਤ ਹਨ, ਅਤੇ ਵਿਗਾੜਾਂ ਦੀ ਦੂਰੀ ਵੱਖ ਕਰਨ ਵਾਲੇ ਹਾਈਪਰਪਲੇਨ ਤੋਂ ਵੱਧ ਹੋਵੇਗੀ।

5) ਕਲੱਸਟਰ ਢੰਗ

ਕਲੱਸਟਰ ਵਿਧੀਆਂ ਦਾ ਸਾਰ ਇਹ ਹੈ ਕਿ ਜੇਕਰ ਕੋਈ ਮੁੱਲ ਕਲੱਸਟਰ ਕੇਂਦਰਾਂ ਤੋਂ ਇੱਕ ਨਿਸ਼ਚਿਤ ਮਾਤਰਾ ਤੋਂ ਵੱਧ ਦੂਰ ਹੈ, ਤਾਂ ਮੁੱਲ ਨੂੰ ਅਸੰਗਤ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਮੁੱਖ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇੱਕ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜੋ ਡੇਟਾ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਲੱਸਟਰ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਖਾਸ ਕੰਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ.

6) ਪ੍ਰਮੁੱਖ ਭਾਗ ਵਿਧੀ

ਉਚਿਤ ਜਿੱਥੇ ਫੈਲਾਅ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਤਬਦੀਲੀ ਦੀਆਂ ਦਿਸ਼ਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕੀਤਾ ਗਿਆ ਹੈ।

7) ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ 'ਤੇ ਆਧਾਰਿਤ ਐਲਗੋਰਿਦਮ

ਵਿਚਾਰ ਇਹ ਹੈ ਕਿ ਜੇਕਰ ਕੋਈ ਮੁੱਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਭਰੋਸੇ ਅੰਤਰਾਲ ਤੋਂ ਬਾਹਰ ਆਉਂਦਾ ਹੈ, ਤਾਂ ਮੁੱਲ ਨੂੰ ਅਸੰਗਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸਮਾਂ ਲੜੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ, ਐਲਗੋਰਿਦਮ ਜਿਵੇਂ ਕਿ ਟ੍ਰਿਪਲ ਸਮੂਥਿੰਗ, S(ARIMA), ਬੂਸਟਿੰਗ, ਆਦਿ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਟਾਈਮ ਸੀਰੀਜ਼ ਪੂਰਵ ਅਨੁਮਾਨ ਐਲਗੋਰਿਦਮ ਬਾਰੇ ਪਿਛਲੇ ਲੇਖ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀ ਗਈ ਸੀ।

8) ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ (ਰਿਗਰੈਸ਼ਨ, ਵਰਗੀਕਰਨ)

ਜੇਕਰ ਡੇਟਾ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਤੋਂ ਲੈ ਕੇ ਆਵਰਤੀ ਨੈੱਟਵਰਕ ਤੱਕ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਆਉ ਪੂਰਵ-ਅਨੁਮਾਨ ਅਤੇ ਅਸਲ ਮੁੱਲ ਵਿੱਚ ਅੰਤਰ ਨੂੰ ਮਾਪੀਏ, ਅਤੇ ਇੱਕ ਸਿੱਟਾ ਕੱਢੀਏ ਕਿ ਡੇਟਾ ਕਿਸ ਹੱਦ ਤੱਕ ਆਦਰਸ਼ ਤੋਂ ਭਟਕਦਾ ਹੈ। ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਕਾਫ਼ੀ ਸਧਾਰਨਕਰਨ ਸਮਰੱਥਾ ਹੈ ਅਤੇ ਸਿਖਲਾਈ ਸੈੱਟ ਵਿੱਚ ਅਸੰਗਤ ਮੁੱਲ ਨਹੀਂ ਹਨ।

9) ਮਾਡਲ ਟੈਸਟ

ਆਓ ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਵਿਗਾੜਾਂ ਦੀ ਖੋਜ ਕਰਨ ਦੀ ਸਮੱਸਿਆ ਤੱਕ ਪਹੁੰਚ ਕਰੀਏ। ਆਓ SVD ਜਾਂ ਫੈਕਟਰਾਈਜ਼ੇਸ਼ਨ ਮਸ਼ੀਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਾਡੇ ਵਿਸ਼ੇਸ਼ਤਾ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਵਿਗਾੜ ਦੇਈਏ, ਅਤੇ ਨਵੇਂ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਉਹਨਾਂ ਮੁੱਲਾਂ ਨੂੰ ਲੈਂਦੇ ਹਾਂ ਜੋ ਅਸਲ ਨਾਲੋਂ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਅਸਮਾਨਤਾ ਵਾਲੇ ਹਨ।

dyakonov.org ਤੋਂ ਚਿੱਤਰ

ਸਿੱਟਾ

ਇਸ ਲੇਖ ਵਿੱਚ, ਅਸੀਂ ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੇ ਮੁੱਖ ਤਰੀਕਿਆਂ ਦੀ ਸਮੀਖਿਆ ਕੀਤੀ ਹੈ।

ਵਿਸੰਗਤੀਆਂ ਨੂੰ ਲੱਭਣਾ ਕਈ ਤਰੀਕਿਆਂ ਨਾਲ ਇੱਕ ਕਲਾ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ। ਇੱਥੇ ਕੋਈ ਆਦਰਸ਼ ਐਲਗੋਰਿਦਮ ਜਾਂ ਪਹੁੰਚ ਨਹੀਂ ਹੈ, ਜਿਸਦੀ ਵਰਤੋਂ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਦੀ ਹੈ। ਅਕਸਰ ਇੱਕ ਖਾਸ ਕੇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਢੰਗਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਇੱਕ-ਸ਼੍ਰੇਣੀ ਦੇ ਸਹਾਇਕ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ, ਜੰਗਲਾਂ ਨੂੰ ਅਲੱਗ ਕਰਨ, ਮੀਟ੍ਰਿਕ ਅਤੇ ਕਲੱਸਟਰ ਵਿਧੀਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਮੁੱਖ ਭਾਗਾਂ ਅਤੇ ਸਮਾਂ ਲੜੀ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਜੇ ਤੁਸੀਂ ਹੋਰ ਤਰੀਕੇ ਜਾਣਦੇ ਹੋ, ਤਾਂ ਲੇਖ ਦੀਆਂ ਟਿੱਪਣੀਆਂ ਵਿੱਚ ਉਹਨਾਂ ਬਾਰੇ ਲਿਖੋ.

ਸਰੋਤ: www.habr.com